W pracy przedstawiono wyniki modelowania wskaźnika intensywności uszkodzeń z wykorzystaniem sztucznych sieci neuronowych (SSN). SSN są traktowane jako tzw. „czarna skrzynka”, co implikuje konieczność stosowania metody „prób i błędów” w celu uzyskania wiarygodnych rezultatów. Celem pracy było porównanie otrzymanych wyników z rezultatami modelowania wskaźnika intensywności uszkodzeń w innym polskim mieście przy użyciu typowych modeli matematycznych oraz SSN. Dane z 14 lat eksploatacji, uzyskane z przedsiębiorstwa wodociągowego w wybranym polskim mieście, zostały wykorzystane do przewidywania wartości wyjściowej (wskaźnika intensywności uszkodzeń) przewodów rozdzielczych i przyłączy wodociągowych. Danych z lat 1999-2005 (344 i 168, odpowiednio dla przewodów rozdzielczych i przyłączy) użyto do uczenia sieci neuronowej. Na podstawie danych (260 i 153, odpowiednio dla przewodów rozdzielczych i przyłączy) z kolejnych 7 lat przeprowadzono prognozę (przewidywanie) wskaźnika intensywności uszkodzeń. Perceptron wielowarstwowy został wybrany jako najlepsza struktura sieci do przewidywania wskaźnika awaryjności. Modelowanie przeprowadzono w programie Statistica 10.0.
The paper describes the results of failure rate modeling using artificial neural networks (ANN). ANN modeling is like “black box” approach and to achieve reliable solutions it is required to apply “trial and error method”. The aim of the presented paper was the comparison between current results and investigations of failure rate prediction in another Polish city using typical modeling and also ANN approach. Operational data from 14 years of exploitation, received from Polish water utility A, were used to predict output value of failure frequency of distribution pipes and house connections. Data (344 and 168 for distribution pipes and house connections, respectively) from the time span 1999-2005 were used for learning the network. On the basis of data (260 and 153 for distribution pipes and house connections, respectively) from the next 7 years the prognosis (prediction) of failure rate was carried out. Multilayer perceptron (MLP) was chosen as the best network structure for failure rate prediction. The realization of the modelling was performed in the software program Statistica 10.0.